故事从一个普通的早晨开始。你坐在桌前，抿着咖啡，准备开始一天的工作。突然，你接到了一个陌生号码的电话。接通电话，你听到了一个机械的声音，它说：“您好，我是AI助手，有什么我可以帮助您的吗？”你一愣，然后回应：“我有一个棘手的问题，我需要解决一个复杂的数学难题。”在那一刻，你并没有意识到，你正在与一台人工智能进行交流。
这不再是科幻小说的情节，而是现实生活中的一部分。人工智能已经深入我们的生活，影响着我们的工作和娱乐，甚至是我们的日常决策。那么，什么是人工智能？它是如何运作的？让我们一起深入探讨这个充满神奇的领域。
什么是人工智能？
人工智能是一门令人兴奋的科学学科，研究如何使计算机表现出智能行为，例如进行人类擅长的事情。起初，计算机是由查尔斯·巴贝奇发明的，用于按照明确定义的程序进行操作 – 即算法。即使现代计算机比19世纪提出的原始模型先进得多，但仍然遵循了相同的受控计算思想。因此，如果我们知道实现目标所需的确切步骤序列，我们可以编程计算机执行某项任务。
然而，有些任务我们不知道如何明确解决。考虑从某人的照片中确定他/她的年龄。我们以某种方式学会了这样做，因为我们已经看过许多不同年龄的人的示例，但我们不能明确解释我们是如何做到的，也不能编程计算机来做到这一点。这正是人工智能（AI）所关注的任务类型。
弱人工智能与强人工智能
解决特定类似人类问题的任务，例如从照片中确定一个人的年龄，可以称为弱人工智能，因为我们正在为仅一个任务创建一个系统，而不是一个可以解决多个任务的系统，就像人类一样。当然，开发普遍智能的计算机系统在多个方面都非常有趣，包括对意识哲学的学生来说。这样的系统将被称为强人工智能，或人工通用智能（AGI）。
智能的定义和图灵测试
处理术语智能时的一个问题是，没有对这个术语的明确定义。我们可以说智能与抽象思维或自我意识有关，但我们无法明确定义它。
例如，考虑回答一个问题：“猫聪明吗？”不同的人倾向于给出不同的答案，因为没有普遍接受的测试来证明这个断言是真还是假。如果你认为有 – 试着让你的猫参加一个智商测试…
不同的人工智能方法
如果我们希望计算机表现得像人类一样，我们需要在计算机内部建模我们的思维方式。因此，我们需要尝试理解是什么使人类聪明。
有两种可能的方法来解决这个问题：
| 自上而下方法（符号推理） |
自下而上方法（神经网络） |
| 自上而下方法模拟一个人进行问题求解的方式。它涉及从人类中提取知识，并以计算机可读的形式表示它。我们还需要开发一种方法，在计算机内部建模推理。 |
自下而上方法模拟了人类大脑的结构，包括大量称为神经元的简单单元。每个神经元的工作方式类似于其输入的加权平均值，并且我们可以通过提 |
供训练数据来训练神经元网络来解决有用的问题。
还有一些其他可能的智能方法：
我们将在课程后期考虑这些方法，但现在让我们专注于两种主要方法：自上而下和自下而上。
自上而下方法
在自上而下方法中，我们尝试模拟我们的推理方式。因为我们可以追踪我们思考的过程，所以我们可以尝试将这个过程形式化并编程到计算机中。这被称为符号推理。
人们倾向于在头脑中有一些规则，指导他们的决策过程。例如，当医生诊断患者时，他或她可能会意识到患者发烧了，因此体内可能发生了一些炎症。通过将大量规则应用于特定问题，医生可能能够得出最终的诊断。
这种方法非常依赖知识表示和推理。从人类专家那里提取知识可能是最困难的部分，因为医生在许多情况下可能不会完全知道他或她为什么会得出特定的诊断。有时解决方案只是出现在他或她的头脑中，而不需要明确思考。有些任务，比如从照片中确定一个人的年龄，根本无法简化为操作知识。
自下而上方法
或者，我们可以尝试模拟我们大脑内的最简单元素 – 神经元。我们可以在计算机内部构建所谓的人工神经网络，然后尝试通过给它提供示例来教它解决问题。这个过程类似于新生儿通过观察来学习他们的环境。
做一些关于婴儿学习方式的研究。婴儿大脑的基本元素是什么？
人工智能的简史
人工智能起初是在20世纪中叶作为一个领域开始的。最初，符号推理是一种流行的方法，它导致了许多重要的成功，如专家系统 – 能够在一些有限的问题领域中充当专家的计算机程序。然而，很快就变得明显，这种方法不够可扩展。从专家那里提取知识，将其表示在计算机中，并保持知识库的准确性是一个非常复杂的任务，对于许多情况来说成本太高，不切实际。这导致了所谓的AI冬季在1970年代。
随着时间的推移，计算资源变得更加便宜，数据也变得更加丰富，因此神经网络方法在许多领域，如计算机视觉或语音理解，开始表现出与人类竞争的出色性能。在过去的十年中，人工智能这个词主要被用作神经网络的同义词，因为我们听说的大多数人工智能成功都是基于它们的。
我们可以观察到方法的变化，例如在创建一个下棋计算机程序方面：
- 早期的国际象棋程序是基于搜索的 – 一个程序明确尝试估算对手在给定下棋步数的情况下可能的走法，并根据可以在几步内实现的最佳位置选择最佳的走法。这导致了所谓的alpha-beta剪枝搜索算法的发展。
- 搜索策略在比赛结束时表现出色，因为搜索空间受到可能的走法数量的限制。然而，在比赛开始时，搜索空间巨大，通过从人类玩家之间的现有比赛中学习来改进算法。后续的实验采用了所谓的案例推理，程序在知识库中寻找与游戏中当前位置非常相似的情况。
- 在现代能够击败人类玩家的计算机程序都基于神经网络和强化学习。这些程序通过与自己长时间对弈并从自己的错误中学习来学会玩棋，就像人类学会下棋一样。但是，计算机程序可以在更短的时间内玩更多的游戏，因此可以学得更快。
对其他由人工智能玩的游戏进行一些研究。
类似地，我们可以看到朝着创建“对话程序
”（可能通过图灵测试通过的程序）的方法发生了变化：
- 早期的这种类型的程序，如Eliza，基于非常简单的语法规则和将输入句子重新表述为问题。
- 现代助手，如Cortana、Siri或Google助手，都是混合系统，它们使用神经网络将语音转化为文本并识别我们的意图，然后使用一些推理或显式算法来执行所需的操作。
- 在将来，我们可能期望一个完全基于神经网络的模型来自行处理对话。最近的GPT和Turing-NLG系列神经网络在这方面取得了巨大成功。
对于大型语言模型（如BERT和GPT-3）的最近研究取得了巨大成功，主要原因是有大量的通用文本数据可用，使我们能够训练模型捕捉文本的结构和含义，首先在通用文本集合上进行预训练，然后将这些模型专门用于更特定的任务。我们将在本课程的后期学习更多关于自然语言处理的知识。
? 挑战
在互联网上进行一次参观，以确定在你看来，AI在哪里使用最有效。是在地图应用中，还是在某个语音转文本服务或视频游戏中？研究系统是如何构建的。
课后测验
复习与自学
通过阅读这个课程来回顾AI和ML的历史。从顶部的素描中选择一个元素，然后深入研究，了解其文化背景，了解其演变。